机器学习解构区域金融风险防控研究进展

区域金融风险防控(RFRP)无论在管理区域传统金融风险(TFR)还是坚守不发生区域金融系统风险(FSR)中都是不可或缺的。随着大数据规模的持续增长,金融风险形态变化的不确定性,传统计量方法模拟金融风险防控的效率、精度、应用等方面都面临着无法克服的困境。当下,越来越多的机器学习(ML)模拟RFRP防控的新方法和新技术受到研究者的重视。首先提出了RFRP防控新的科学分类和ML观念基础;其次总结了区域TFR防控的ML理论方法和应用技术,对各类代表性研究所论述区域TFR防控的关键逻辑、模型算法、学习效果进行了比对解析,对ML不同方法的优点、局限和传统场景进行了归类分析;然后梳理了区域FSR防控的ML理论方法和应用研究,对各类典型文献所解析区域FSR防控的关键脉络、ML算法、学习效果进行了对比研究,对ML不同模型的优势、缺陷和金融风险场景进行了阐述研究;最后提出了六个ML模拟RFRP防控的前景技术和新兴方向。

经济下行压力增大背景下我国区域金融风险形成机制及防范研究

在经济增长面临较大下行压力时,各种不确定因素的凸显,使得金融风险包括区域金融风险的防范成为我国宏观调控的重要任务。本文从宏观和微观视角,分析了经济下行压力增大背景下我国区域金融风险的形成机制,并以安徽为例,选取合适的指标通过AHP层次分析法进行了实证研究。研究显示,通过构建科学、有效的金融风险监测预警体系,对于防范区域金融风险、维护金融稳定具有较强的现实可操作性。